1.一种面向表面缺陷检测的条件可控图像样本扩充方法,其特征在于,包括如下步骤:S1、采集多张负样本图像和正样本图像,并构建图像样本扩充模型,图像样本扩充模型包括依次连接的图像生成模块和条件编码模块;所述图像生成模块包括依次连接的压缩感知模型、扩散模型;压缩感知模型内置编码器和解码器;扩散模型内置去噪编码器;
S2、将模板和异常类型输入到条件编码模块内,得到输出条件e;其中模板带有缺陷形状、位置和大小,模板和异常类型构成了可控条件;
S3、图像生成模块内的编码器将负样本图像压缩至潜在特征空间,得到潜在空间向量,然后将潜在空间向量输入到图像生成模块内的扩散模型中,并与条件编码模块的输出条件e结合,得到重构的负样本图像;
S4、依据包括潜在空间向量在内的编码器的输出构建编码器的总损失函数,然后依据重构的负样本图像和输出条件e构建扩散损失函数,循环S2至S4,最小化两个损失函数,直至达到预设停止条件,并在训练过程中调整图像样本扩充模型的权重,得到训练后的图像样本扩充模型;
S5、将训练后的图像样本扩充模型部署到设备端,输入正样本图像,设计可控条件,生成对应的样本,实现图像样本扩充;
条件编码模块包括依次连接的残差网络ResNet-50、特征金字塔层和多个全连接层;
所述去噪编码器包括依次连接的输入卷积层、多个交叉注意力降维层、下采样降维层、中间层、上采样降维层、多个交叉注意力升维层和输出卷积层;其中,多个交叉注意力降维层、下采样降维层分别与多个交叉注意力升维层、上采样降维层采用跳跃连接;多个交叉注意力降维层、下采样降维层、中间层、上采样降维层、多个交叉注意力升维层分别与条件编码模块输出的条件输入e连接;
其中,多个交叉注意力降维层均包括两个残差块、两个Transformer块以及最后连接的一个下采样操作,多个交叉注意力升维层均包括两个残差块、两个Transformer块以及最后连接的一个上采样操作;其中多个交叉注意力降维层和多个交叉注意力升维层内的残差块与Transformer块均采用交替排列分布;
中间层包括依次连接的残差块、Transformer块和残差块。
2.根据权利要求1所述的面向表面缺陷检测的条件可控图像样本扩充方法,其特征在于,所述编码器用于将图像映射至潜在空间向量,解码器用于将潜在空间向量映射至图像;扩散模型包括扩散阶段和逆向扩散阶段,扩散阶段将潜在空间向量的分布转化为噪声分布;而逆扩散阶段用于将数据从噪声分布还原至原始的图像分布。
3.根据权利要求1所述的面向表面缺陷检测的条件可控图像样本扩充方法,其特征在于,所述S2具体包括如下步骤:S21、将包括异常形状、异常大小、异常位置、异常类型作为可控条件;
S22、将带有异常形状、异常大小、异常位置的标签通过形态学操作生成对应的模板,然后将对应的模板输入到条件编码模块内的残差网络ResNet-50中,以获取多尺度特征,采用条件编码模块内的特征金字塔层对多尺度特征进行融合,并通过多个全连接层进行信息提取,得到空间信息;
S23、将异常类型通过双向编码器表示法,将文本转化为词向量,从而得到类型信息;
S24、将空间信息与类型信息结合,形成条件编码模块的输出条件,。
4.根据权利要求1所述的面向表面缺陷检测的条件可控图像样本扩充方法,其特征在于,所述S3具体包括如下步骤:S31、首先将负样本图像输入到图像生成模块中,图像生成模块内的变分编码器将负样本图像压缩至潜在特征空间,得到潜在空间向量;
S32、进入到扩散阶段,图像生成模块内的扩散模型遵循马尔科夫性质循环地向潜在空间向量中添加随机高斯噪声,得到噪声编码;
S33、进入到逆向扩散阶段,图像生成模块内的扩散模型遵循马尔科夫性质预测噪声编码所对应的时刻的高斯分布的均值和方差;
S34、然后依据均值和方差以及条件编码模块的输出条件e计算得到潜在空间向量;
S35、将潜在空间向量输入到解码器中,得到重构的负样本图像。
5.根据权利要求4所述的面向表面缺陷检测的条件可控图像样本扩充方法,其特征在于,所述S32中扩散阶段采用公式表示,具体如下:;
其中,q(.)表示扩散操作,表示第t-1个时间步的噪声编码;表示时间步的总数,表示第个时间步的噪声编码;表示向的扩散过程,的计算式具体如下:;
其中,是个时间步的的方差,I表示单位矩阵;表示正态分布。
6.根据权利要求5所述的面向表面缺陷检测的条件可控图像样本扩充方法,其特征在于,所述S33中逆向扩散阶段采用公式表示,具体如下:;
其中,表示从到的逆向扩散操作;
所述S34中潜在空间向量的计算式为:
;
其中,表示逆扩散过程中,在和输出条件e的条件下,发生的概率。
7.根据权利要求6所述的面向表面缺陷检测的条件可控图像样本扩充方法,其特征在于,所述S34具体包括如下步骤:S341、将条件编码模块的输出条件e输入到去噪编码器中,分别计算矩阵、矩阵和矩阵,三者的计算式分别如下:;
;
;
其中,代表去噪编码器内的中间层表示;、、均为可学习的投影矩阵;
S342、然后将矩阵、矩阵和矩阵输入到由多个交叉注意力降维层和多个交叉注意力升维层组成的交叉注意力模块中,计算得到注意力特征,交叉注意力模块采用公式表示,具体如下:;
其中,Attention(.)表示交叉注意力模块,T表示转置,表示激活函数;
S343、在注意力特征的基础上依据均值和方差计算得到潜在空间向量。
8.根据权利要求7所述的面向表面缺陷检测的条件可控图像样本扩充方法,其特征在于,所述S4中的编码器的总损失函数具体如下:;
其中,表示编码器的总损失;表示重构损失,表示KL散度损失,且重构损失、KL散度损失的计算式分别如下:;
;
其中,是给定潜在空间向量下重构数据的概率;为潜在空间向量的第个维度的均值,为潜在空间向量的第个维度的方差,是潜在空间向量的维度大小;表示平均值;表示后验分布;表示先验分布;z表示负样本图像的噪声编码;表示后验分布和先验分布之间的距离;
所述扩散损失函数具体如下:
;
其中,表示扩散损失,表示扩散阶段所添加的随机高斯噪声,是负样本图像经编码器压缩后的潜在向量,是压缩感知模型在时间步t预测的噪声;表示2-范数的平方。
9.一种面向表面缺陷检测的条件可控图像样本扩充系统,其特征在于,包括计算机设备,计算机设备被编程或者执行权利要求1至8任一项所述的条件可控图像样本扩充方法。